/ Модель

Характеристики

Контекст
7 999 токенов
Параметры
149 млн
Лицензия
MIT
Архитектура
modernbert · dense
Базовая модель
ettin-encoder-150m
Библиотека
transformers
Опубликована
25 сен 2026

speaker-names-attr-ettin-150m

Заполнение пропусковТекст → текст5 профессий

Дообученный энкодер ModernBERT извлекает из расшифровок имена, соответствующие меткам диаризованных говорящих.

55скачиваний за 30 дней0лайковвеса обновлены25 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Speaker Names Attribution, Ettin 150M — англоязычная модель для извлечения из расшифровки напечатанного имени человека, соответствующего диаризованной метке говорящего, например Speaker A. Она разработана на основе энкодера jhu-clsp/ettin-encoder-150m: ModernBERT с 149 млн параметров дообучен с SQuAD-подобной головой, предсказывающей начало и конец фрагмента; позиция 0 обозначает отсутствие ответа. Модель принимает текст и возвращает имя либо воздерживается, если расшифровка не позволяет его установить. Контекст модели — до 7 999 токенов.

Модель предназначена для связывания меток диаризации с именами, явно упомянутыми в стенограммах, например при обработке новостных и общественно-политических передач. На вручную проверенной выборке из 264 строк показатель F1 по человеку составил 0,857, а точный F1 текста — 0,812; на автоматически проверенной тестовой выборке из 638 строк — соответственно 0,882 и 0,830. Модель не определяет личность по голосу, внешним знаниям или неупомянутому контексту. Для работы нужны PyTorch и Transformers; пользовательская голова хранится отдельно, поэтому чекпойнт не является стандартной моделью AutoModelForQuestionAnswering. Лицензия — MIT.

Сценарии применения

  • сопоставление меток Speaker A и Speaker B с именами в стенограмме
  • извлечение имён участников из новостных расшифровок
  • автоматическое обогащение результатов диаризации именами
  • определение, назван ли говорящий в тексте стенограммы

Ограничения

Модель извлекает только имена, напечатанные в расшифровке, и не устанавливает личность по голосу или внешнему контексту; метки говорящих считаются локальными для окна транскрипта. Качество зависит от точности диаризации и распознавания речи, а поскольку обучающие данные преимущественно англоязычные новостные расшифровки, на других языках и в других областях оно может быть ниже.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Speaker Names Attribution, Ettin 150M

An encoder-only span model that extracts the printed real name of each diarized speaker (Speaker A, Speaker B, and similar) from a transcript. It abstains when the transcript does not identify the speaker.

The model is based on jhu-clsp/ettin-encoder-150m with a SQuAD-style start/end span head. Position zero is the null answer.

Results

Evaluation uses a manually checked set of 264 transcript-speaker rows, including 131 named and 133 unnamed speakers.

ModelPrecisionRecallPerson F1Exact-text F1
Speaker Names Attribution, Ettin 150M0.8440.8700.8570.812

Person F1 accepts any printed form of the correct person's name, for example Kevin for Kevin Cork. Exact-text F1 requires the full target text.

On the automatically verified held-out test split (638 rows), person F1 is 0.882 and exact-text F1 is 0.830.

Usage

This repository includes the small custom span head and inference code:

pip install "torch>=2.4" "transformers>=4.51,<5" huggingface_hub
huggingface-cli download hmarchant/speaker-names-attr-ettin-150m \
  --local-dir speaker-names-attr

python -m speaker_names.infer transcript.txt \
  --model speaker-names-attr

Input must be a diarized transcript containing labels such as:

[Speaker A]: I'm Sarah Jones. Tom Baker joins us now. Finance Minister David Cole announced the new budget earlier. Good morning, Tom.
[Speaker B]: Good morning, Sarah. David's announcement was unexpected.
[Speaker C]: Here is the weather forecast.

The command prints a JSON mapping from each speaker label to the extracted name or null.

Example output:

{
  "Speaker A": "Sarah Jones",
  "Speaker B": "Tom Baker",
  "Speaker C": null
}

Training

  • 149M parameters
  • 4,988 train, 550 validation, and 638 test rows
  • maximum sequence length 4,096, stride 1,024
  • batch size 1 with 16-step gradient accumulation
  • SDPA attention on unpadded windows
  • selected at epoch 3 by person-level validation F1
  • decision threshold: -2.25

Labels came from grok-4.7, were grounded against verbatim transcript spans, then checked by a second model pass. Organisation names, programme names, and sentence fragments were removed.

Limitations

  • The model only returns names printed in the transcript. It does not infer identities from voice, outside knowledge, or unprinted context.
  • Speaker labels are assumed to be local to each transcript window.
  • Accuracy depends on diarization and ASR quality.
  • The training material is mostly English-language news and current-affairs transcripts, so performance may be lower in other domains and languages.
  • The custom checkpoint is speaker_span.pt; it is not a standard AutoModelForQuestionAnswering checkpoint.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
ModernBertForMaskedLM
Ревизия весов
8d0960b

0 моделей